2 research outputs found
Analisis Sentimen Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia
No full textLatar belakang : Media sosial merupakan salah satu sarana yang digunakan oleh netizen untuk mengakses, berbagi dan berdiskusi seputar isu-isu obesitas. Twitter sebagai salah satu media sosial merupakan platform yang secara real time sering dipilih untuk mengkomunikasikan hal tersebut. Melalui analisis sentimen dengan metode text mining di Twitter, kita dapat memahami bagaimana orang menggambarkan dan mengungkapkan persepsi mereka terhadap kondisi obesitas baik secara positif, negatif maupun netral. Analisis tersebut penting untuk melihat sejauh mana media sosial seperti Twitter digunakan saat ini sebagai salah satu instrumen diseminasi informasi kesehatan di Indonesia. Tujuan penelitian untuk mengidentifikasi analisis sentimen pada Twitter terkait obesitas di Indonesia menggunakan metode text mining.Metode : Jenis penelitian adalah cross sectional. Rancangan ini dipilih karena data yang diambil dari Twitter dalam seri waktu 5 tahun terakhir (2012 -2017). Hasil webscraping pada Twitter didapatkan 67.942 tweet kemudian dicleaning dan menghasilkan sampel 43.436 data tweet berbahasa Indonesia. Pengambilan data menggunakan paket ekstensi Google Chrome Twitter Testing v.01 dan dianalisis menggunakan Python 3.7.2 dan R. Studio 3.5.2.Hasil : Berdasarkan hasil analisis sentimen tweet didapatkan sentimen positif sebanyak 22.246 (51,2%) tweet, diikuti oleh sentimen negatif sebanyak 12.015 (27,7%) tweet dan sentimen netral dengan jumlah 9.174 (21,1%) dari total 43.435 tweet. Nilai akurasi dengan algoritma Naïve Bayes didapatkan hasil nilai akurasi sebesar 94%.Kesimpulan : Analisis sentimen tweet terkait obesitas dengan metode text mining lebih didominasi oleh sentimen positif dibanding sentimen negatif dan sentimen netral. Nilai akurasi dengan algoritma Naïve Bayes Classifier berada dalam kategori “Excellent Classification” yang artinya algoritma Naive Bayes Classifier berhasil memprediksi kategori sentimen dalam penelitin ini dengan baik. Analisis data selanjutnyadapat menggunakan data langsung dari API Twitter kemudian meningkatkan jumlah kata kunci (keyword) dan menggunakan algoritma klasifikasi teks lainnya (SVM, DBN dll). Selain itu, dari sisi kesehatan masyarakat perlu upaya peningkatan literasi kesehatan melalui media sosial twitter terkait obesitas untuk meningkatkan pemahaman serta kemampuan mempercayai informasi kesehatan khususnya oleh organisasi kesehatan pemerintah guna mempertahankan sentimen positif publik yang sudah ad
Metode term frequencies untuk penelitian kesehatan di twitter: studi pada tweet berbahasa Indonesia terkait obesitas
Get PDFTujuan: Penelitian ini bertujuan mengidentifikasi frekuensi penggunaan kata pada tweet berbahasa Indonesia terkait Obesitas di Twitter. Metode: Jenis penelitian adalah Deskriptif dengan menggunakan data Twitter selama 5 tahun (2012-2017) dari hasil webscraping menggunakan keyword “obesitas” OR “gemuk” OR “kegemukan” OR “gendut” OR “kegendutan” yang berjumlah 67.942 tweet. Kemudian dilakukan proses cleaning dan menghasilkan sampel sebanyak 43.436 data untuk fase praproses. Data dianalisis menggunakan Python 3.7.2 dan R. Studio 3.5.2 untuk visualisasi wordcloud. Hasil: Analisis terhadap frekuensi penggunaan kata (term frequencies) menunjukan bahwa terdapat 4.050 jenis kata yang muncul dengan urutan 18 (delapan belas) teratas meliputi kata: “gemuk” (33.851), “gendut” (10.159), “makan” (8.721), “orang” (5.737), “status” (2.806), “obesitas” (2.799), “badan” (2.450), “perempuan” (2.189), “suka” (1.908), “kena” (1.544), “anak” (1.302), “hati” (1.256), “salah” (1.225), “berat” (1.205), “takut” (1.127), “diet” (1.105), “lelaki” (1.014) dan “tidur” (1.004). Hasil klasifikasi term frequencies tersebut berdasarkan kajian ontologi, terbagi kedalam 5 superkelas yaitu: superkelas “Tipe Obesitas” yaitu sebanyak 53.270 kali, diikuti “Faktor Risiko” yaitu 15.633 kali. Selanjutnya diikuti oleh “Konsekuensi Obesitas” sebanyak 7.281 kali lalu ada “Simptom dan Komplikasi” sebanyak 1.127 kali dan yang terakhir adanya kelompok lain yang belum dapat diklasifikasikan yaitu 4.359 kali. Simpulan: Term frequencies pada tweet berbahasa Indonesia terkait obesitas di Twitter lebih didominasi oleh jenis kata yang menggambarkan tipe obesitas, faktor risiko obesitas, konsekuensi obesitas serta simptom dan komplikasi obesitas. Kata maupun superkelas yang muncul dalam penelitian ini dapat digunakan untuk pengembangan keyword penelitian obesitas yang selanjutnya. Penerapan metode term frequencies kedalam penelitian kesehatan di Twitter akan membantu menyediakan pilihan kata kunci (keywords) untuk penelitian-penelitian dimasa akan datang.
